Doğrusal olmayan dinamik sistemlerin tanılanması ve uyarlamalı denetiminde yapay sinir ağları (YSA) yaygın olarak kullanılmaya başlanmış ve çeşitli geriye yayınım öğrenme algoritmaları geliştirilmiştir. Endüstriyel sistemler için uygun YSA yapılarının seçimi ve öğrenme algoritmalarının performansının incelenmesi gerekmektedir. Bu çalışmada, denetim sistemlerinin karmaşık olmasına rağmen düşük eylemsizlik momenti, yüksek tork-güç/boyut oranı ve tork-hız denetim karakteristiklerinin iyi olması nedeniyle otomasyon sistemlerinde yaygın olarak kullanılmaya başlanan Fırçasız Doğru Akım Motorları (FDAM) nın YSA ile tamlanması incelendi. FDAM' nun düz ve ters YSA tanı modelleri çıkarılarak bu modellerin eğitiminde, öğrenme oranı ve momentum katsayısı uyarlama yöntemleri ile hızlandırılmış statik ve dinamik geriye yayınım algoritmalarının performansları karşılaştırıldı. Simulasyon ve uygulama sonuçlarına göre, değişen yük ve parametre şartlarında, önerilen tanı modellerinin geçerliliği belirlendi.

Artificial Neural Networks (ANN) are widely used in identification and adaptive control of nonlinear dynamical systems. Static and dynamic backpropagation learning algorithms are developed for training of feedforward and recurrent neural networks. It is necessary to select ANN structure and to determine the performance of the learning algorithms for industrial systems. In this study, Brushless DC (BLDC) motors which are attractive for industrial drive systems, since they have low inertia, high torque-power/volume ratio and good control characteristics, is modeled by using ANN. Forward and inverse identification models of BLDC motor are derived and, in training of these models, performance of the accelerated static and dynamic backpropagation learning algorithms are compared. For variable load conditions and parameter variations, validity of the identification models is given both with simulation and experimental results.